CN114757455A - 一种基于伺服电机时序数据的地沟台车异常预测方法及系统 - Google Patents

Abstract

本发明公开了一种基于伺服电机时序数据的地沟台车异常预测方法及系统，该检测方法包括：首先采集地沟台车正常运行和出现异常时的伺服电机时序数据，并对数据进行预处理以及滑窗采样；根据地沟台车运行状态进行样本标注，并对样本数据进行特征提取；利用所提取的特征进行模型训练，得到地沟台车异常预测模型；采集新的伺服电机时序数据，经过滑窗提取特征后输入到训练好的模型中进行实时预测。本发明通过特定的异常标注方法结合机器学习模型的边缘部署，实现了对地沟台车异常的实时预测，极大减少了地沟台车发生异常带来的经济损失以及维修成本，同时无需额外加装设备，在产线上实施可行性高且成本较低。

Description

一种基于伺服电机时序数据的地沟台车异常预测方法及系统

技术领域

本发明涉及一种基于伺服电机时序数据的地沟台车异常预测方法及系统，属于装配线自动化检测技术领域。

背景技术

常用总装配线由自动输送链、台车、风动工具及一些附属设备组成。装配过程是将需装配的零件放在台车上，台车架着装配零件随自动输送链缓慢行进，装配工人在一定的区域内进行装配活动。台车与自动输送链是由一根圆形销子连接而成的，自动输送链是环形结构，台车随自动输送链不断循环，这样台车就分在地面上和在地沟（地面下）两部分。对于地面上的台车，维修人员可以随时监测台车的状态，可是在地沟的台车由于受环境等影响，维修人员不可能随时都能监测到台车实时状态。在地沟内由于台车是倒置前进的，台车与自动输送链连接的圆形销子脱离的可能性就会大大增加。当销子脱离自动输送链后台车就无法前进，后面台车前进到停止的台车时，会推着此异常台车继续前进。如果不能及时发现并解决，积累到一定程度后，会照成整个装配产线停止，严重影响生产。

针对上述问题，专利CN201438328U公开了一种卡车装配线地沟台车堆积报警装置，通过安装外接报警装置对卡车装配线地沟台车堆积进行报警，这种方法需要外接报警设备，且不能实现在发生地台车异常之前进行干预。基于此，本专利基于伺服电机多维时间序列数据，利用机器学习的手段对地沟台车异常进行预测，从而实现提前干预，提前处理，极大减少因为装配小车异常造成的生产成本增加。

发明内容

发明目的：针对现有技术所存在的问题，本发明提供一种基于伺服电机时序数据的地沟台车异常预测方法及系统，通过特定的异常标注方法结合机器学习模型的边缘部署，实现对装配线地沟台车异常的实时预测，有效减少地沟台车发生异常带来的经济损失以及维修成本。

技术方案：为实现上述目的，本发明提供一种基于伺服电机时序数据的地沟台车异常预测方法，包括以下步骤：

步骤1：采集地沟台车正常运行和出现异常时的伺服电机时序数据；

步骤2：对伺服电机时序数据进行数据预处理，并通过滑窗构造样本；

步骤3：根据地沟台车运行状态进行样本标注；

步骤4：对样本数据进行特征提取以获取样本特征集合；

步骤5：利用获取的样本特征集合对机器学习模型进行训练，得到地沟台车异常预测模型；

步骤6：采集新的伺服电机时序数据，经过滑窗提取特征后输入到训练好的预测模型中，进行地沟台车运行状态的实时预测。

进一步的，所述伺服电机时序数据包括但不限于电机负载、输入电流、输出电流、输入电压、输出电压以及输出功率等一种或多种。

进一步的，所述数据预处理过程包括：提取地沟台车运行速度大于0时的伺服电机时序数据，从而过滤掉地沟台车停止运行时的电机数据，有效减少数据量。

进一步的，所述步骤3具体包括：

步骤3.1：将地沟台车正常运行时的样本数据标注为label0，并将地沟台车发生异常时的样本数据标注为label1；

步骤3.2：将地沟台车发生异常之前10s内的样本数据标注为label2，并将地沟台车发生异常之前10s~20s内的样本数据标注为label3。

进一步的，所述步骤4中所提取的特征包括但不限于均值、最大值、最小值、偏度以及峭度等。

进一步的，所述步骤5具体包括：

步骤5.1：根据设定比例对样本特征集合进行切分，得到训练集和测试集；

步骤5.2：分别对训练集中标签为label1、label2、label3的样本特征进行过采样，并选择多个机器学习模型进行训练；

步骤5.3：利用测试集评估各个模型的预测效果，选择召回率最高的预测模型；

步骤5.4：利用五折交叉验证法进一步评估该模型是否过拟合，如果模型过拟合则返回步骤5.1进行重新训练（可以进一步调整模型参数和数据分布，如：降低模型复杂度、减少迭代次数、扩大数据集、训练集和测试集进行同分布变换等），否则输出训练好的地沟台车异常预测模型。

进一步的，所述过采样方法包括：

A、对于训练集中标签为label1\label2\label3的样本点i，计算其与训练集中标签为label0的每个样本点在样本特征上的欧氏距离，得到各个样本特征的距离集合L（每个样本特征对应一个距离集合L）；

B、计算距离集合L的1/4位数-0.5IQR，记为各个样本特征的距离阈值T（每个样本特征对应一个距离阈值T），其中IQR为距离集合L的四分位距；

C、在样本点i原样本特征的附近距离阈值T的范围内随机生成n个数据（每个样本特征对应n个随机数据），从而构成n个样本点，n为设定的采样次数；

按照上述过程遍历训练集中标签为label1、label2、label3的每一个样本点，即：在每一个少数类样本的周围增加了n个样本点，由此增加了少数类样本的采样次数。

此外，本发明还提供了一种基于伺服电机时序数据的地沟台车异常预测系统，包括数据采集模块和数据处理模块，其中数据处理模块利用上述地沟台车异常预测方法，根据数据采集模块所采集的伺服电机时序数据进行地沟台车运行状态的实时预测。

有益效果：本发明提供的一种基于伺服电机时序数据的地沟台车异常预测方法及系统，相对于现有技术，具有以下优点：

1、通过特定的异常标注方法结合机器学习模型的边缘部署，实现了对装配线地沟台车异常的实时预测，极大减少了地沟台车发生异常带来的经济损失以及维修成本；

2、抛弃传统额外安装异常诊断设备的方式，以数据驱动结合机器学习的手段进行地沟台车的异常预测，无需额外加装设备，在产线上实施可行性高且成本较低；

3、本发明通过线下数据验证以及产线生产验证均具有较高的准确度，做到了实时准确的异常预测。

附图说明

图1为本发明实施例中地沟台车异常预测方法的整体流程图；

图2为本发明实施例中地沟台车出现异常时的伺服电机主轴负载变化图；

图3为本发明实施例中地沟台车异常预测模型测试结果的混淆矩阵；

图4为本发明实施例中地沟台车异常预测模型测试结果的F1分数图。

具体实施方式

下面将结合附图对本发明的优选实施方式进行描述，更加清楚、完整地阐述本发明的技术方案。

如图1所示为一种基于伺服电机时序数据的地沟台车异常预测方法，包括以下步骤：

步骤1：采集地沟台车正常运行和出现异常时的伺服电机多维时间序列数据（包括但不限于电机负载、输入电流、输出电流、输入电压、输出电压、输出功率等）。

步骤2：运行状态识别：提取地沟台车运行速度大于0时的伺服电机时序数据，从而过滤掉地沟台车未在运行时间段内的伺服电机时序数据。

步骤3：按照窗长1s进行滑窗采样，从而对提取的伺服电机时序数据进行切分。

步骤4：根据地沟台车运行状态进行样本标注：

步骤4.1：将地沟台车正常运行时的样本数据标注为label0，并将地沟台车发生异常时的样本数据标注为label1；

步骤4.2：将地沟台车发生异常之前10s内的样本数据标注为label2，并将地沟台车发生异常之前10s~20s内的样本数据标注为label3。

如图2所示，分析地沟台车发生异常时的电机数据发现，在发生异常时，数据有明显的上升趋势（大概会出现5-10s），异常结束后恢复正常，因此将此周期内的样本数据标注为label1，将发生异常之前10s内的样本数据记为label2，发生异常之前10s~20s内的样本数据记为label3，由此实现对装配线地沟台车异常的超前预测，而非是在地沟台车发生堆积之后再进行报警处理。

步骤5：对样本数据进行特征提取（包括均值、最大值、最小值、偏度、峭度等）以获取样本特征集合，以此构建带有标签的入模数据。

步骤6: 切分数据集：以7：3比例对样本特征集合进行切分，即：70%的数据作为训练集，用于进行模型训练，30%的数据作为测试集，用于测试模型效果。

步骤7：过采样处理：由于地沟台车异常为低概率事件，数据出现严重不平衡，因此分别对训练集中标签为label1、label2、label3的数据进行过采样，来提高对异常数据的召回率。

下面以偏度特征为例，对过采样过程进行具体说明：

a、对于训练集中标签为label1\label2\label3的样本点i，计算其与训练集中标签为label0的每个点在偏度特征上的欧氏距离，得到偏度特征的距离集合L；

b、计算距离集合L的1/4位数-0.5IQR，记为偏度特征的距离阈值T，其中IQR为距离集合L的四分位距；

c、在样本点i原偏度特征的附近距离阈值T的范围内随机生成n个数，对应n个样本点的偏度特征，以此类推得到n个样本点的所有样本特征，构成n个样本点的特征集合，n为设定的采样次数；

按照上述过程遍历训练集中标签为label1、label2、label3的每一个样本点，即：在每一个少数类样本的周围增加了n个样本点，由此增加了少数类样本的采样次数。

步骤8：训练模型：选用多个机器学习模型进行训练，利用测试集评估各个模型的预测效果，从而选用召回率最高的预测模型，再利用五折交叉验证法评价该模型是否过拟合，最终选定XGboost模型。

如图3、图4所示，测试结果中label0的查准率（precision）为1.00，查全率（recall）为1.00，F1分数（f1-score）为1.00；label1的查准率为0.90，查全率为0.93，F1分数为0.92；label2的查准率为0.95，查全率为0.90，F1分数为0.92；label3的查准率为0.94，查全率为0.92，F1分数为0.93。所有测试样本的准确率（accuracy）为1.00，宏平均（macroavg）为0.94，加权平均（weighted avg）为1.00。

步骤9：实时预测：将训练好的模型进行边缘侧部署，对于新的伺服电机时序数据，经过滑窗提取特征后输入到模型中进行实时预测。

此外，本发明还提供了一种基于伺服电机时序数据的地沟台车异常预测系统，包括数据采集模块和数据处理模块，其中数据处理模块（如：嵌入式处理器）利用上述地沟台车异常预测方法，根据数据采集模块（如：电机数控数据采集装置）所采集的伺服电机时序数据进行地沟台车运行状态的实时预测。

上述具体实施方式仅仅对本发明的优选实施方式进行描述，而并非对本发明的保护范围进行限定。在不脱离本发明设计构思和精神范畴的前提下，本领域的普通技术人员根据本发明所提供的文字描述、附图对本发明的技术方案所作出的各种变形、替代和改进，均应属于本发明的保护范畴。

Claims (8)

1.一种基于伺服电机时序数据的地沟台车异常预测方法，其特征在于，包括以下步骤：

步骤1：采集地沟台车正常运行和出现异常时的伺服电机时序数据；

步骤2：对伺服电机时序数据进行数据预处理，并通过滑窗构造样本；

步骤3：根据地沟台车运行状态进行样本标注；

步骤4：对样本数据进行特征提取以获取样本特征集合；

步骤5：利用获取的样本特征集合对机器学习模型进行训练，得到地沟台车异常预测模型；

步骤6：采集新的伺服电机时序数据，经过滑窗提取特征后输入到训练好的预测模型中，进行地沟台车运行状态的实时预测。

2.根据权利要求1所述的一种基于伺服电机时序数据的地沟台车异常预测方法，其特征在于，所述伺服电机时序数据包括电机负载、输入电流、输出电流、输入电压、输出电压以及输出功率中的一种或多种。

3.根据权利要求1所述的一种基于伺服电机时序数据的地沟台车异常预测方法，其特征在于，所述数据预处理过程包括：提取地沟台车运行速度大于0时的伺服电机时序数据，从而过滤掉地沟台车停止运行时的伺服电机时序数据。

4.根据权利要求1所述的一种基于伺服电机时序数据的地沟台车异常预测方法，其特征在于，所述步骤3具体包括：

步骤3.1：将地沟台车正常运行时的样本数据标注为label0，并将地沟台车发生异常时的样本数据标注为label1；

步骤3.2：将地沟台车发生异常之前10s内的样本数据标注为label2，并将地沟台车发生异常之前10s~20s内的样本数据标注为label3。

5.根据权利要求1所述的一种基于伺服电机时序数据的地沟台车异常预测方法，其特征在于，所述步骤4中提取的特征包括均值、最大值、最小值、偏度以及峭度。

6.根据权利要求4所述的一种基于伺服电机时序数据的地沟台车异常预测方法，其特征在于，所述步骤5具体包括：

步骤5.1：根据设定比例对样本特征集合进行切分，得到训练集和测试集；

步骤5.2：分别对训练集中标签为label1、label2、label3的样本特征进行过采样，并选择多个机器学习模型进行训练；

步骤5.3：利用测试集评估各个模型的预测效果，选择召回率最高的预测模型；

步骤5.4：利用五折交叉验证法进一步评估该模型是否过拟合，如果过拟合则返回步骤5.1进行重新训练，否则输出训练好的地沟台车异常预测模型。

7.根据权利要求6所述的一种基于伺服电机时序数据的地沟台车异常预测方法，其特征在于，所述过采样方法包括：

A、对于训练集中标签为label1\label2\label3的样本点i，计算其与训练集中标签为label0的每个样本点在样本特征上的欧氏距离，得到各个样本特征的距离集合L；

B、计算距离集合L的1/4位数-0.5IQR，记为各个样本特征的距离阈值T，其中IQR为距离集合L的四分位距；

C、在样本点i原样本特征的附近距离阈值T的范围内随机生成n个数据，从而构成n个样本点，n为设定的采样次数；

按照上述过程遍历训练集中标签为label1、label2、label3的每一个样本点。

8.一种基于伺服电机时序数据的地沟台车异常预测系统，其特征在于，包括数据采集模块和数据处理模块，其中数据处理模块利用权利要求1~7任一所述预测方法，根据数据采集模块所采集的伺服电机时序数据进行地沟台车运行状态的实时预测。

Images